详解vins_mono中边缘化残差，公式推导

已于 2023-04-14 12:42:05 修改
阅读量189 收藏
点赞数
文章标签： 机器学习 人工智能
于 2023-04-14 11:36:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44289316/article/details/130142580
版权

详解vins_mono中边缘化残差，公式推导
vins中：

首先由于ceres残差更新计算的是马氏距在这里插入图片描述
离：

在这里插入图片描述
PICTURE:/home/lao-tang/.config/tencent-qq/2320938194/image/origin/9606DB98BE8E6F584F16FC078400BC65.
在这里插入图片描述

唐其涛
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图解vins后端边缘化
HozenChe的博客
06-20 1541
vins后端边缘化图解
边缘化实操
weixin_41738773的博客
04-14 231
slam边缘化
VINS-Mono论文笔记(中)
hu_hao的博客
09-02 590
VINS-Mono论文笔记-中前言1.初始化过程1.1 视觉重构1.2 视觉惯性联合 前言 本篇内容涉及VINS-Mono第五至第气节内容，包括： 第五节：VINS-Mono的鲁棒性初始化过程 第六节：紧耦合、自校准、基于非线性优化的单眼VIO 第七节：紧耦合的重定位 1.初始化过程 单目惯性系统是高度非线性系统，系统的正常运行高度依赖准确的初始化过程。 初始化过程由松耦合下的imu预积分辅助纯视觉结构还原过程。 1.1 视觉重构 使用滑动窗口中纯视觉的sfm方法。 初始化过程从一个sfm过程开始，还原一个
从零学习VINS-Mono/Fusion源代码（六）：后端优化
slender_1031的博客
03-13 1917
本节解析VINS后端优化，包括优化变量、残差约束的构建，ceres求解器等。
VINS-Mono中的边缘化与滑窗 (3)—— 边缘化倒数第二帧及滑窗优化
qq_42731705的博客
03-13 967
注意：这一步骤就是滑窗操作的精髓所在！之前我们已经把本次非线性优化、边缘化最老帧的相关计算完成了，但是实际存储在滑窗中的状态变量还没有进行滑窗操作，所以上面依次交换前后两帧，将滑窗中的所有帧都向前移动了一个位置，然后滑窗中的最老帧被抛弃掉了。此时我们会发现滑窗中的最后一个位置变成了最老帧，显然这个是不正确的。实际上我们应该把滑窗中最后一个位置的状态清空，然后等待这下一帧图像的到来，继续处理。
VINS-Mono代码注释以及公式推导
01-17
VINS-Mono代码注释以及公式推导
vins_mono_cg:注释版
05-25
vins_mono_cg 修改版（于2019年1月9日提交9e657be），一种健壮且通用的单眼视觉惯性状态估计器。 VINS-Mono使用基于优化的滑动窗口公式来提供高精度的视觉惯性里程表。 它具有有效的IMU预集成，包括偏差校正，自动...
代码解读-VINS_Mono中的鱼眼相机模型.zip
06-06
在VINS_Mono中，鱼眼相机模型的实现对于处理广角甚至全景视角的图像数据至关重要，因为这样的摄像头可以提供更大的视场，从而提高对周围环境的覆盖。 鱼眼相机模型，也称为非线性或曲面模型，用于描述具有大视场角...
vins_mono.pdf
08-29
对vins_mono前端，后端，回环的理论推导以及代码的基本说明，共40页。
VINS-Mono中的边缘化与滑窗 (2)—— 边缘化最老帧
qq_42731705的博客
03-13 1039
如图所示，第一帧的位姿T1T_1T1​和速度零偏B1B_1B1​是通过IMU预积分约束和滑窗中的最老帧存在约束关系的。因此和最老帧有关的IMU预积分约束包含的参数块是T0,B0,T1,B1T_0, B_0, T_1, B_1T0​,B0​,T1​,B1​，要边缘化掉的参数块是T0,B0T_0, B_0T0​,B0​。代码如下： 在函数中，会用一些类变量将上面构建的残差信息块存储起来：第1234帧的 位姿TiT_iTi​ 是通过视觉重投影和最老帧联系在一起的，此外视觉重投影中还包括IMU和相机外参TicT_{
VINS-Mono 论文解读（IMU预积分残差+Marg边缘化）
try_again_later的博客
07-24 8116
VINS是一个鲁棒的基于紧耦合的滑动窗非线性优化的单目视觉惯性里程计。 VIO引出原因： 1）单纯视觉：缺点: 尺度不确定性、单目纯旋转无法估计、快速运动易丢失、受图像遮挡运动物体干扰。 优点：不产生漂移、直接测量旋转与平移。 2）单纯IMU：缺点：零偏导致漂移、低精度IMU积分位姿发散 优点：...
VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
诗筱涵的博客
12-30 1914
转载自：VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化_努力努力努力-CSDN博客 VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化 贵在坚持，不忘初心 2020-04-07 19:58:54 1531 收藏 10 分类专栏： VINS-Mono and Fusion 程序解读 版权 ​VINS-Mono.
VINS-Mono中的边缘化与滑窗 (4)——VINS边缘化为何是局部变量边缘化？
qq_42731705的博客
08-20 373
题目想问的问题是VINS 滑窗边缘化时构造舒尔补的H矩阵是由和边缘化掉的状态变量相关的局部变量构成还是由全局变量构成？如下图所示，小车沿着一维方向运动，车上有一个单点激光测距仪可以观测前方的一个路牌，小车轮子上装有码盘。现在让小车从原点出发，维持滑窗的长度为3，并且每次优化都迭代3次。 定义此时系统估计的状态变量为(P0,P1,P2,L)(P_0, P_1, P_2, L)(P0​,P1​,P2​,L)，其中3个坐标位置和滑窗有关，会随着滑窗的滑动逐渐改变。则此时系统中的各个残差和雅克比如下： r0=6.0
VINS-MONO边缘化策略
Asgard
05-08 6177
VINS中的滑窗优化策略，将滑出窗外的帧与滑窗内的帧的约束使用边缘化的形式保存为先验误差进行后续非线性优化，以保留约束信息。本文对具体的方案进行记录。 紧耦合VIO处理的两种误差分别为IMU误差与图像误差，采用LM、GN、Dogleg等方式迭代求解待优化参数增量，以求得最大似然估计，最小化非线性化误差。 迭代优化的核心即求解增量方程： Hδx=bH\delta x=bHδx=b其中H=JTJ,b=...
边缘化你必须知道的一件事！(FEJ知识点总结)
努力coding
05-10 1559
关于第一估计雅可比(FEJ, First Estimate Jacobians)先进行一个简单的描述，在Marginalize的时候，求解滑动窗口估计器的迭代过程中，会不断迭代计算H矩阵和残差b，而在迭代过程中，状态变量会不断更新，计算雅可比的时候需要固定线性化点(fix the linearization point)。因此，marg时，被marg的那些变量的雅可比已经不更新了，而此时留在滑动窗口里的其他变量的雅可比要用和marg时一样的线性点，就是FEJ进行计算，不要用新的线性点了。
VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
try_again_later的博客
03-17 4649
本讲是VINS最核心部分了，前面经历了 1）视觉跟踪feature_tracker、IMU预积分integrationBase类；2）初始化中SFM纯视觉估计滑动窗中所有帧的位姿和3D路标点深度、SFM与IMU预积分松耦合对齐求解初始化参数。本节将进行第3部分，基于滑动窗的紧耦合后端非线性优化：将视觉约束、IMU约束、闭环约束放到一个大的目标函数中进行非线性优化，求解出滑动窗口中所有帧的PVQ、bias等。
十九、【机器学习】【非监督学习】- 层次聚类 (Hierarchical Clustering)
最新发布
技术分享、程序员趣事、行业趋势等内容！
07-21 526
非监督学习是一种机器学习方法，它处理的是没有标签的数据集。与监督学习不同，非监督学习算法不需要知道数据的正确分类或目标值。它的目标是通过数据内部的结构和模式来推断出有意义的信息，如数据的分布、聚类、降维或异常检测等。层次聚类（Hierarchical Clustering）是一种无监督学习的聚类算法，用于发现数据集中的自然分组或聚类。不同于k-means等迭代型聚类算法，层次聚类构建了一个聚类的层次结构，这个结构通常表现为一棵树，称为聚类树或树状图（dendrogram）。
机器学习包含子领域
零度°C的博客
07-18 910
机器学习是人工智能中最活跃的研究领域之一，它通过算法使计算机能够从数据中学习并做出决策。本文将详细介绍机器学习的各个子领域，包括它们的定义、主要方法和应用场景。
VINS_MONO视觉惯性里程计原理与实现
视觉惯性松耦合初始化是vins_mono中的一种初始化方法。该方法通过单目特征点匹配计算E矩阵或者F矩阵，恢复出旋转和带尺度的平移，然后与IMU预积分得到的旋转和平移进行松耦合优化，恢复出尺度和重力。 **视觉惯性紧...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值